Méthode de la courbe ROC

Méthode de la courbe ROC

Télédétection RADAR

En présence de perturbations atmosphériques (temps nuageux, la brume, la poussière, la pluie, etc …), les capteurs optiques sont inopérants d’où l’intérêt des capteurs radars qui sont capable de fournir des images quelque soit les conditions météorologiques de jour comme de nuit (section 2.1.3). Comme on l’a vu dans la figure 2.4, la transmission d’onde d’électromagnétique dans le domaine des hyperfréquences (1 mm à 1 m) est totale. Alors, l’utilisation de ces grandes longueurs d’onde permet la détection à travers presque toutes les conditions atmosphériques. C’est dans ce domaine, de longueur d’onde, que les énergies diffuses sont relevées pour réaliser des images Radars. Radar est un acronyme pour Radio Detection and Ranging (détection et télémétrie par radio). Il existe, également, deux formes de capteurs radars, passifs et actifs. Ils permettent la détection de l’eau dans l’atmosphère (météorologie), la détection d’eau, la détection de courant océanique, ou encore la cartographie de surface.

À l’instar des capteurs optiques, qui enregistrent l’énergie électromagnétique en bandes (couvrant une série de longueurs d’ondes dans le visible et dans l’infrarouge), le RADAR enregistre la réponse du sol ou de la cible sur une seule longueur d’onde bien spécifique. Un radar est schématiquement composé d’un émetteur, d’un récepteur et d’un dispositif traitant le signal reçu. Il émet des impulsions électromagnétiques (A) de très courte durée suivies d’un temps mort beaucoup plus long pour mesurer le délai entre la transmission et la reception l’impulsion rétrodiffusée (B). On peut ainsi repérer la position (distance entre le RADAR et la cible⇐⇒différence de phase entre le signal transmis et reçu) et l’intensité des cibles (figure 2.7).

Validation de l’outil optique

On possède deux fichiers qui contiennent la localisation de plusieurs mares en saison pluvieuse. Á l’aide de ces fichiers, on se propose de déterminer le nombre de mares qui ont été extraites pour nous permettre de tester la validité de notre outil. Le premier document est un fichier qui présente les mares localisées à partir de Google Earth. Google Earth possède une image (capture du 3 Juin 2003 – début de la saison des pluies) très haute résolution de notre zone d’étude. Ce fichier compte 188 mares répertoriées dont 62 qui sont hors de notre zone d’étude. À l’aide de la méthode que nous avons développée, on extrait 42,4 % des mares qui ont été répertoriées dans ce fichier, soit 39 mares sur 92. La figure 5.14 nous montre le pourcentage des mares détectées en fonction de leur diamètre. FIG. 5.14 –: Mares localisées par Google Earth par la méthode optique en fonction de leur diamètre (image saison des pluies) On constate qu’aucune mare entre 0 et 10m n’est détectée et que moins de 50 % des mares inférieures à 30m sont détectées.

Par contre, pour les mares de plus de 30m de longueur, la méthode développée en détecte environ 80 %. De cette analyse, on peut en déduire que la résolution spatiale des images SPOT utilisées n’est pas suffisante pour détecter les mares de petites tailles. Cela peut être dû aussi à la différence de date entre l’image satellite SPOT et l’image Google Earth (image où ont été relevées les mares). Effectivement, certainement mares en eau en 2003, pourraient être à sec en 2008. Ou alors, la couverture végétale du Parc W peut être plus dense en 2008 qu’en 2003. Le deuxième document est un fichier qui nous montre les mares relevées sur le terrain au Nord du Parc, près du fleuve de la Tapoa (Annexe A). Il y a 27 mares qui ont été repérées dont 9 qui sont hors zone. On extrait 5 mares sur 18 soit 27.7% des mares totales. Aucune mare inférieure à 20m de diamètre n’ont été détectées. Par contre, plus de 50% des mares supérieure à 21m ont été extraites par l’outil. Cette analyse reprend ce qu’on a déduit dans le paragraphe précédent, à savoir que la méthode optique, avec la résolution spatiale de SPOT, est plus discriminante pour la recherche de mares supérieures à 21m. Pour améliorer ce pourcentage, on se propose d’utiliser des images, extraient des capteurs RADAR, qui ont une meilleure résolution spatiale que les images optiques utilisées.

Conclusion et perspectives

L’objectif de ce stage était de développer une méthode de cartographie des surfaces disponibles en eau dans le parc duWen saison sèche et en saison des pluies à partir des données de télédétection. Un état de l’art nous a permis d’étudier et de nous familiariser avec les différentes méthodes de télédétection optique et radar qui permettent de détecter l’eau sur des images satellites. Pour les capteurs optiques, la canal spectral le plus pertinent pour la détection d’eau est le MIR (Moyen infrarouge). Il existe plusieurs indices, qui combinent les différentes bandes spectrales. Parmi ces méthodes (indices), il n’en existe aucun qui permet d’extraire les mares sur n’importe quelle image. Par conséquent, en combinant toutes les méthodes de la littérature, on peut déterminer plusieurs méthodes qui s’avèrent très intéressantes pour la détection de masses d’eau : – Combinaison du NDVI/MNDWI pour localiser les mares avec le moyen infrarouge – Combinaison du NDVI/NDWI/DWI pour l’extraction des mares en l’absence de la bande spectrale du moyen infrarouge.

Pour les capteurs radars, la méthode est plus simple et universelle. Il suffit d’effectuer un seuillage par rapport au coefficient de rétrodiffusion de l’eau (surface lisse). On constate que la résolution spatiale et les perturbations atmosphériques sont des caractéristiques très importantes pour la détection de cible de type « mares ». On peut la voir grâce au pourcentage de détection des mares pour la méthode radar (64.,4 %) et pour la méthode optique (42,4 %). Par conséquent, pour une résolution spatiale de 6m, on détecte des cibles de plus de 20m de diamètre et pour une résolution de 1m on en détecte de plus de 10m. En fusionnant ces deux images pour savoir si elles peuvent être complémentaires, on constate qu’elles ne nous apportent aucune information supplémentaire. C’est parce que les images que nous possédons n’ont pas été prises à la même date où à la même période. Ainsi par la suite, il faudrait répertorier les mares de saison sèche qui ont été extraites, avec celle de la saison des pluies pour ensuite suivre leur dynamique. Pour cela, nous avons besoin d’images satellites journalières et avec une très bonne résolution spatiale. Or, ces images sont acquises par période (ex: tous les mois, ou toutes les trois semaines etc …). Par conséquent, on serait amené à créer un modèle dynamique en fonction de la surface des mares extraites à l’aide des méthodes développées [30], sur les images traitées.

Ainsi ce couplage télédétection/modélisation hydrologique nous permettra d’évaluer la quantité d’eau présente dans les mares. Par conséquent, on pourra utiliser le programme sur la création des bufllers pour nettoyer l’image satellite pour plus de précision. On constate aussi que les valeurs de l’eau du NDWI et MNDWI sont dépendantes de la profondeur des mares (car en visualisant plusieurs mares, on remarque que les plus fortes valeurs sont au milieu et les plus petites aux extrémités). On pourrait supposer qu’une approximation peut-être faite, sur la valeur de la profondeur de chaque mare. À terme, on pourra intégrer ces résultats dans un modèle dynamique de la population des buffles. Par conséquent, les gestionnaires du parc W pourront prédire le déplacement de ces animaux sur leur domaine.

Table des matières

1 Introduction
1.1 Présentation de la Maison de la Télédétection (MTD)
1.2 Le CIRAD et le projet ANR Biodiversité « Mobilité »
1.3 Contexte et Zone d’étude
1.4 Objectifs du stage
1.5 Supports utilisés
1.6 Approche en trois étapes
2 Etat de l’art
2.1 La télédétection
2.1.1 Définition
2.1.2 Le rayonnement électromagnétique
2.1.3 Interactions avec l’atmosphère
2.1.4 Interactions entre les ondes électromagnétiques et la cible
2.1.5 Enregistrement de l’énergie émise ou réfléchie
2.2 Méthodes de détection et d’identification optique et radar de l’eau
2.2.1 NDVI (Normalized Difference Vegetation Index)
2.2.2 NDWI (Normalized Difference Water Index)
2.2.3 MNDWI (Modified Normalized Difference Water Index)
2.2.4 Indice non-normalisé, DWI (Difference Water Index)
2.2.5 Indice de texture
2.3 Méthode de la courbe ROC
2.4 La classification
2.5 Modèle dynamique des mares
3 Description de données
3.1 Images SPOT
3.1.1 Principales évolutions du capteur
3.1.2 Caractéristiques
3.2 Images Radar des satellites ALOS et TerraSar-X CIRAD Suivi temporel des points d’eau du Parc Régional du W (Burkina Faso, Bénin, Niger) LAVENTURE Sylvio
3.2.1 Représentation des couches thématiques
4 Méthodologie
4.1 Analyse optique
4.1.1 Pré-traitement optique
4.1.2 Réalisation des méthodes optiques
4.2 Analyse radar
4.2.1 Pré-traitement Radar
4.2.2 Réalisation de la méthode radar
4.2.3 Combinaison des images radar TerraSar-X et SPOT multi-spectrale à l’aide de la fusion ACP-IHS
4.3 Validation
5 Résultats
5.1 Traitement optique
5.1.1 Pré-traitement
5.1.2 Traitement en saison sèche
5.1.3 Traitement en saison pluvieuse
5.2 Traitement Radar
5.2.1 Analyse en saison sèche
5.2.2 Analyse en saison pluvieuse
5.2.3 Elements complémentaires
5.3 Validation des outils
5.3.1 Validation de l’outil optique
5.3.2 Validation de l’outil radar
6 Conclusion et perspectives
A Parc du W
B Représentation des mares extraites
C Zone d’étude
D Indice de texture
E Programme sous Matlab qui permet d’extraire des fenêtres de pixels
F Programmation de la fusion IHS sous ERDAS
G Programmation d’une méthode appliquée à l’aide d’un indice
CIRAD Suivi temporel des points d’eau du Parc Régional du W
(Burkina Faso, Bénin, Niger)
LAVENTURE Sylvio
H Photographie des mares

Télécharger le rapport complet